Improving Performance and Accuracy of Local PCA

Résumé : Analyse en composantes principales locale (LPCA) est l'une des techniques les plus répandues pour la compression des très grands volumes de données que l'on rencontre en infographie. L'algorithme LPCA est une variante du regroupement en k-means où la classification répétitive de points de haute dimensionnalité vers le groupe le plus proche conduit à de très longs temps d'exécution. Le but de cet article est de d'améliorer l'efficacité et la précision du LPCA. Nous proposons un nouvel algorithme SortCluster LPCA qui réduit significativement le coût de la classification point-cluster conduisant à une accélération dans un rapport t 20. Pour améliorer la précision de l'approximation, nous comparons différentes méthodes d'initialisation et trouvons que l'algorithme k-means++ donne les meilleurs résultats mais à un coût de calcul important. Nous montrons que des idées similaires qui améliorent l'efficacité de notre algorithme SortCluster LPCA peuvent être utilisés pour accélérer k-means++. L'algorithme d'initialisation qui en résulte est plus rapide que le simple choix aléatoire tout en produisant des approximations sensiblement meilleures.
Type de document :
Article dans une revue
Computer Graphics Forum, Wiley, 2011, 30 (7), 〈10.1111/j.1467-8659.2011.02047.x〉
Liste complète des métadonnées

https://hal.inria.fr/hal-00658792
Contributeur : Bouville Christian <>
Soumis le : mercredi 11 janvier 2012 - 12:08:17
Dernière modification le : mercredi 16 mai 2018 - 11:23:35

Lien texte intégral

Identifiants

Citation

Vaclav Gassenbauer, Jaroslav Křivánek, Kadi Bouatouch, Bouville Christian, Mickaël Ribardière. Improving Performance and Accuracy of Local PCA. Computer Graphics Forum, Wiley, 2011, 30 (7), 〈10.1111/j.1467-8659.2011.02047.x〉. 〈hal-00658792〉

Partager

Métriques

Consultations de la notice

256